背景復雜下航拍圖像的電力線識別算法

趙浩程，雷俊峰，王先培，趙 樂，田 猛，曹文彬，姚鴻泰，蔡兵兵

(武漢大學電子信息學院，湖北 武漢 430072)

隨著高壓輸電線網絡的不斷建設，電力線的安全性檢測與維護工作變得越加繁重。傳統的人工巡檢電力線方式無法滿足日益繁重的電力線巡檢工作要求。因此，電力企業開始大范圍使用搭載攝像頭的無人機進行電力線巡檢。但復雜多變的背景(如河流、數目、草地、房屋、農田等)對電力線識別過程造成了困難。因此，如何從充滿復雜背景的航拍圖像中完整準確地識別出電力線已成為電力線無人巡檢的關鍵問題之一[1-7]。

近年來，國內外科研人員對從航拍圖像中檢測電力線進行了許多研究。其中，文獻[8]利用搜索聚類算法與形態學處理相結合降低了圖像中的背景噪音，并使用閾值區間方法計算Hough變換的參數自適應估算，從而識別出圖像中的輸電線，但該方法參數選擇過程復雜，識別效果在低對比度的情況下較差。文獻[9]設計了一種電力線快速提取算法，該算法將形態學處理、Canny算子和Hough變換相結合，實現了對電力線的完整提取，但該方法的穩健性較差，處理不同背景下的電力線效果差別較大。文獻[10]使用黑塞矩陣實現了對圖像的邊緣檢測，然后利用隨機Hough變換檢測各條塊區域內的輸電線，但該方法只針對電力線從左到右橫跨圖像的情況，未對電力線從上到下跨越圖像的情況進行分析。

針對上述方法對背景復雜航拍圖像的電力線識別問題，本文提出一種復雜背景下電力線識別新方法。為提高圖像對比度，首先對無人機俯拍圖像進行直方圖均衡化處理，增強邊緣檢測效果；然后為適應多種復雜背景，使用無參數的邊緣繪圖-參數自由(edge drawing-parameter free,EDPF)算法檢測電力線邊緣與濾除大量背景噪聲，同時將LoG算子引入EDPF算法中改善錨點的選擇過程；最后將先驗知識與Radon變換相結合實現對電力線的準確識別。

1 復雜背景下電力線識別

無人機低空俯拍的電力線圖像具有對比度低、電力線近似為直線、電力線寬度較窄、背景復雜等特點。根據這些特征，本文算法主要包括圖像增強處理、圖像邊緣檢測、電力線識別等。

1.1 電力線圖像增強處理

航拍圖像中存在對比度低和灰度分布不均勻的現象，因此需要利用直方圖均衡化方法[11]對電力線圖像進行處理，該方法是將原圖像的直方圖中灰度分布調整為均勻分布。如圖1—圖3所示。

從直方圖均衡化后的灰度圖(如圖4所示)可知，雖然電力線得到了增強，但是仍然受到復雜背景的干擾。

1.2 電力線圖像邊緣檢測

為完整地檢測出電力線邊緣并濾除復雜背景的干擾，本文利用無參數、適應性強的EDPF算法實現對電力線邊緣的檢測。EDPF算法[12]是從ED(edege drawing)算法[13]發展而來。ED算法與傳統的邊緣檢測器Canny、Ratio、形態學檢測方法不同，傳統的邊緣檢測器通過閾值梯度幅度聚類以確定邊緣元素，而ED算法先沿著行和列調用稀疏點(稱為錨點)，然后通過智能的啟發式邊緣追蹤程序連接這些錨點。該算法主要分為4個步驟：

(1) 對圖像進行濾波操作，如利用高斯濾波器，以抑制噪聲并平滑圖像。

(2) 計算平滑圖像的每個像素處的梯度大小和方向，可以使用任何已知的梯度算子，如Prewitt、Sobel、Scharr等。

(3) 計算一組特殊像素，稱為錨點，這些像素是具有很高概率邊緣元素的像素。錨對應于由梯度算子產生最大值的像素，即梯度圖的峰值。

(4) 通過在邊緣點之間繪制邊緣來連接步驟(3)中計算的錨點。

EDPF算法是所有參數處于最大值時的原始ED算法，以檢測所有的可能邊緣段，然后利用亥姆霍茲原理檢測出無效的假性線段。對線段的驗證過程為：

定義如下

(1)

式中，MN為圖像尺寸；C為組合方法的數量；n為線段長度；p=0.125，為線方向的精度；k為沿著線段的梯度角對齊像素數。若NFA(n,k)≤1，則線段為有效線段，否則為無效線段。

EDPF算法中錨點是指梯度局部最大值，錨點的選取是通過與鄰近點比較進行的，若比較值大于閾值，則為錨點。本文為降低EDPF算法中錨點選取的錯誤率，將五階LoG算子作為比較時的權重判定，公式如下

(2)

像素點的比較值T(x,y)可表示為

T(x,y)=16G(x,y)-2G(x+1,y)-

2G(x,y+1)-2G(x-1,y)-2G(x,y-1)-

G(x,y-2)-G(x+1,y-1)-G(x+2,y)-

G(x+1,y+1)-G(x,y+2)-G(x-1,y+1)-

G(x-2,y)-G(x-1,y-1)

(3)

在錨點的選擇過程中，計算像素點的T(x,y)，若T(x,y)≥Tth，則G(x,y)點為錨點，否則為普通邊緣點。

圖5中噪聲多為點狀，且集中分布在圖像的中間部分；圖6中噪聲多為線段，且零散分布在圖像中。通過比較，改進的EDPF算法可獲取完整的邊緣圖像，同時濾除大部分背景噪聲。

1.3 基于先驗知識和Radon變換識別電力線

邊緣檢測后的圖像中依然存在大量的背景噪聲，為從邊緣信息中提取出電力線，利用Radon變換從中提取直線段。Radon變換是將數字圖像矩陣在某一指定角度射線方向上作線性變換。連續圖像的Radon變換為

(4)

(5)

式中，ρ表示直線空間坐標原點到直線的距離；θ表示垂直距離和x的夾角；S表示圖像平面；f(x,y)為圖像上某一點(x,y)的像素灰度值。Radon變換將圖像中每一條直線對應為ρ-θ空間內的一個點，當原圖像中存在一條直線時，在法線方向上的投影值最大，在ρ-θ空間內表現為峰值。

雖然Radon變換對電力線提取范圍作了一定約束，但仍存在部分直線干擾物，因此需要進一步對電力線進行識別處理，如圖7所示。

在無人機的俯拍電力線圖像中，電力線之間近似平行，且兩條電力線保持著一定距離。在通過Radon變換獲得ρ-θ空間信息后，將傾角相近且距離相近的直線歸為同一組，篩選出與電力線夾角差值較大的其他直線。

2 試驗結果與分析

為驗證本文所提出算法的可行性，進行了兩組對比試驗。首先為驗證算法對于不同復雜背景的處理效果，選擇不同背景下的4組圖像作為試驗對象，如圖8所示；然后選擇本文提出的改進EDPF算法、Canny算法[14]、ED算法和LoG算子對4組圖像進行邊緣檢測；最后利用本文算法、傳統的Canny算法與Hough變換相結合的方法、LSD算法[15]分別對4組圖像中的電力線進行識別和對比分析，如圖9、圖10所示。

圖9中，ED算法對邊緣敏感，導致背景1、3、4情況下電力線邊緣被背景噪聲嚴重干擾，對于低對比度的背景2情況下可檢測到完整的電力線；Canny算法檢測出背景1、2情況下電力線模糊不清，同時電力線多為不連續的短線段，無法檢測出背景3、4情況下的電力線；LoG算子可檢測出背景1、2情況下的電力線，但無法從背景3、4情況下的噪聲中檢測出電力線，同時LoG算子檢測結果為離散不連續的邊緣點；本文所改進后的EDPF算法在完整檢測出背景1、2、3情況下的電力線的同時，也濾除了大部分背景噪聲，對于更復雜的背景4，可檢測出以荒土為背景的電力線。通過比較，相對于ED算法、Canny算法、LoG算子，改進后的EDPF算法對復雜背景下電力線的檢測效果整體優于其他3種，且可以濾除更多的背景噪聲，抑制背景噪聲的干擾。

圖10中，Canny算法與Hough變換相結合的方法存在斷裂與漏檢現象，且檢測出了一些無關的背景線段，在背景1的處理中更為明顯，同時檢測出背景4中左上角的電力線；LSD算法將電力線均能識別出來，不存在漏檢現象，但會將無關的背景噪聲線段識別出來，如識別出背景1中屋頂的噪聲線段，且在背景4左上角的區域識別出大量的噪聲線段；本文算法可完整識別出4幅圖像中的電力線，尤其可以識別出背景4左上角區域中的電力線，且不存在漏檢現象和檢測出噪聲現象。相比于LSD算法、傳統的Canny算法與Hough變換相結合的方法，本文方法可完整地識別出多種復雜背景下的電力線，且識別準確率更高，更適用于復雜背景下的電力線識別工作。

3 結 語

本文提出了一種電力線識別新算法。該算法的主要過程為：直方圖均衡化增強圖像，改進EDPF算法檢測電力線邊緣，基于先驗知識和Radon變換識別電力線。本文算法的主要創新點為：

(1) 將LoG算子引入EDPF算法的錨點選取過程中，降低了錨點的誤選率。該算法可在濾除大量背景噪聲的基礎上，檢測出電力線邊緣。

(2) 將電力線先驗知識與Radon變換相結合，可實現對電力線的完整識別，同時可濾除背景噪聲。

試驗結果表明，該算法可在多種背景下完整地識別出電力線，且具備高識別準確度、高抗噪聲干擾性、少參數、高穩健性等優點。